内容简介
因果关系严格区分了“因”变量和“果”变量，在揭示事物发生机制、指导干预行为等方面具有相关关系不可替代的重要作用。在大数据时代，如何探索海量、高维、观察的数据背后的因果机制具有重要的商业价值和科学意义。观察数据的因果关系方向判断困难、高维数据的因果结构发现能力不足、现有算法适用场景有限等仍然严重阻碍着因果推断领域的发展，是当前因果关系研究的难点和热点。《大数据中的因果关系发现》从因果关系与相关关系之间的区别与联系出发，从因果关系模型、因果关系发现方法、因果关系与机器学等角度对上行探讨，并对作者研究团队关于上述问题的一些新研结。
目录
前言第1章 导论 1.1 因果关系的概念 1.2 因果关系与相关关系 1.3 因果关系与机器学r/> 1.4 基于实验与基于观察数据的因果关系发现 1.5 小结 参考文献第2章 基础知识 2.1 贝叶斯网络 2.2 函数因果模型 2.3 独立假设检验 2.3.1 离散数据的G2检验 2.3.2 线数据的偏相关检验 2.3.3 非线数据的核条件独立检验 2.4 回归分析 2.4.1 线数据的小二乘回归 2.4.2 非线数据的高斯过程回归 2.5 小结 参考文献第3章 基于约束的方法 3.1 因果网络结构学 3.2 PC算法和IC算法 3.2.1 PC算法 3.2.2 IC算法 3.3 基于V-结构组装的方法 3.3.1 V-结构的误发现问题 3.3.2 V-结构的组装策略 3.4 应用 3.5 小结 参考文献第4章 基于函数因果模型的方法 4.1 典型数据的函数因果模型 4.1.1 面向线非高斯噪声数据的方法 4.1.2 面向非线噪声数据的方法 4.1.3 面向后非线数据的方法 4.2 离散数据的低秩隐状态函数因果模型 4.2.1 低秩隐状态函数因果模型 4.2.2 低秩隐状态函数因果模型的可识别 4.3 应用 4.3.1 移动通信网络能之间的因果关系 4.3.2 鲍鱼身体特征与年龄的因果关系 4.3.3 匹兹堡桥结构参数之间的因果关系 4.4 小结 参考文献第5章 混合型方法 5.1 分治策略 5.1.1 算法框架 5.1.2 因果分割集搜索算法 5.1.3 局部结构化合并算法 5.1.4 理论分析 5.2 组装策略 5.2.1 算法框架 5.2.2 局部结构生成算法 5.2.3 基于传播的权重增强算法 5.2.4 基于大无环子图的因果排序算法 5.2.5 结合因果排序的冗余边剔除算法 5.3 融合策略 5.3.1 函数因果似然度模型 5.3.2 函数因果似然度模型的可识别分析 5.4 应用 5.5 小结 参考文献第6章 其他相关主题 6.1 时序数据上的因果关系发现 6.1.1 格兰杰因果关系 6.1.2 基于函数因果模型的时序因果关系发现算法 6.1.3 时序因果关系发现在社交网络上的应用 6.2 不观察数据上的隐变量发现 6.2.1 隐变量发现算法 6.2.2 基于函数因果模型的隐变量发现算法 6.2.3 隐变量发现在外行星探测中的应用 6.3 因果关系与迁移学r/> 6.3.1 迁移策略 6.3.2 不同因果机制下的可迁移问题 6.3.3 迁移学感图像分类中的应用 6.4 小结 参考文献彩图